劉衛(wèi)校

摘 要：時(shí)尚銷(xiāo)售預(yù)測(cè)對(duì)零售領(lǐng)域十分重要，準(zhǔn)確的銷(xiāo)售情況預(yù)測(cè)有助于大幅度提高最終時(shí)尚銷(xiāo)售利潤(rùn)。針對(duì)目前時(shí)尚銷(xiāo)售預(yù)測(cè)數(shù)據(jù)量有限并且數(shù)據(jù)波動(dòng)大導(dǎo)致難以進(jìn)行準(zhǔn)確預(yù)測(cè)的問(wèn)題，提出了一種結(jié)合人工神經(jīng)網(wǎng)絡(luò)（ANN）算法和離散灰色預(yù)測(cè)模型（DGM（1，1））算法的混合智能預(yù)測(cè)算法。該算法通過(guò)關(guān)聯(lián)度分析得到關(guān)聯(lián)度大的影響變量，在利用DGM（1，1）+ANN預(yù)測(cè)之后，引入二次殘差的思想，將實(shí)際銷(xiāo)售數(shù)據(jù)與DGM（1，1）+ANN預(yù)測(cè)結(jié)果的殘差加入影響變量利用ANN進(jìn)行第二次殘差預(yù)測(cè)。最后通過(guò)真實(shí)的時(shí)尚銷(xiāo)售數(shù)據(jù)驗(yàn)證算法預(yù)測(cè)的可行性及準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，該算法在時(shí)尚銷(xiāo)售數(shù)據(jù)的預(yù)測(cè)中，預(yù)測(cè)平均絕對(duì)百分誤差（MAPE）在25%左右，預(yù)測(cè)性能優(yōu)于自回歸積分滑動(dòng)平均模型（ARIMA）、擴(kuò)展極限學(xué)習(xí)機(jī)（EELM）、DGM（1，1）、DGM（1，1）+ANN算法，相較于以上幾種算法平均預(yù)測(cè)精度大約提高8個(gè)百分點(diǎn)。所提混合智能算法可用于時(shí)尚銷(xiāo)售即時(shí)預(yù)測(cè)，且能夠大幅度提高銷(xiāo)售的效益。

關(guān)鍵詞：時(shí)尚銷(xiāo)售預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)算法；離散灰色模型；關(guān)聯(lián)度分析；自回歸積分滑動(dòng)平均模型

中圖分類(lèi)號(hào)： TP183

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2016）12-3378-07